的檔案
由于沒有任何可用的復雜性可以歸結為二次時間，因此從視覺上看，二次模型的擬合最差也就不足為奇了。三次模型和四次模型都具有出色的視覺擬合，不出所料，它們的殘差密切相關。
存在一些相關問題，但他們沒有針對此特定實作的答案。
- 矩陣求逆、行列式和伴隨的空間復雜度
- 矩陣行列式的時間和空間復雜度
- 實驗確定矩陣行列式的計算復雜度
由于此實作已被全球許多 Python 程式員使用，因此如果找到答案，它可能有助于很多人的理解。
uj5u.com熱心網友回復：
TL;DR：它介于目標 BLAS 實作之間O(n^2.81)并O(n^3)與目標 BLAS 實作有關。
實際上，Numpy 使用 LU 分解（在日志空間中）。實際的實作可以在這里找到。它確實使用了LAPACK的sgetrf/原語。dgetrf多個庫提供了這樣的庫。最著名的是 NetLib 之一，雖然它不是最快的。英特爾 MKL 是提供快速實施的庫示例。快速 LU 分解演算法使用平鋪方法，以便在內部使用矩陣乘法。他們這樣做是因為矩陣乘法是線性代數庫中最優化的方法之一（例如 MKL、BLIS 和 OpenBLAS 通常成功地在現代處理器上達到近乎最佳的性能）。更一般地說，LU 分解的復雜性是矩陣乘法之一。
樸素平方矩陣乘法的復雜度是O(n^3)。存在更快的演算法，例如通常用于大矩陣的Strassen（及時運行）。Coppersmith-Winograd演算法實作了明顯更好的復雜度 ( ~O(n^2.81)) ，但實際上沒有線性代數庫使用它，因為它是一種星系演算法。簡而言之，這種演算法在理論上漸近優于其他演算法，但隱藏的常數使其對于任何實際使用都不切實際。有關矩陣乘法復雜度的更多資訊，請閱讀本文~O(n^2.38). 因此，在實踐中，矩陣乘法的復雜性介于O(n^2.81)目標O(n^3)BLAS 實作之間（取決于您的平臺和 Numpy 的配置）。
轉載請註明出處，本文鏈接：https://www.uj5u.com/qiye/473669.html
下一篇：匹配熊貓中的特定年份列